هوش مصنوعی
SkillMem مهارت‌های قابل‌بازاستفاده را به حافظه‌ای نهفته و فشرده تبدیل می‌کند
پیش‌چاپی در arXiv روشی برای دسترسی مستقیم چندعامل‌های نهفته به مهارت‌ها معرفی می‌کند؛ روشی که می‌تواند از پردازش تکراری یا ذخیره‌سازی پرحجم برای هر مهارت جلوگیری کند.
سامانه‌های چندعاملِ نهفته برای کاهش هزینهٔ استنتاج، استدلال‌های میانی و ارتباط میان عامل‌ها را در قالب بازنمایی‌های پیوسته نگه می‌دارند. اما مهارت‌های قابل‌بازاستفاده معمولاً به‌صورت متن، حالت‌های کلید-مقدارِ لایه‌به‌لایه یا پارامترهای اختصاصی هر مهارت ذخیره می‌شوند؛ رویکردهایی که پردازش تکراری یا فضای ذخیره‌سازی زیادی می‌طلبند.
پژوهشگران در مقاله‌ای با عنوان «SkillMem: Compact External Skill Memory for Latent Multi-Agent Reasoning»، هر مهارت را به شکل یک حافظهٔ نهفتهٔ خارجی و کوچک بازنمایی می‌کنند تا در جریان استدلال چندعاملِ نهفته مستقیماً در دسترس باشد. یک سازوکار خواندن مبتنی بر توجه متقاطع و مشروط به نقش، به عامل‌های مختلف امکان می‌دهد با توجه به نقش و حالت پنهان فعلی‌شان از همان حافظه راهنمایی بگیرند. آموزش حافظه‌های مهارت و سازوکار خواندن مشترک نیز با تقطیر رفتاری انجام می‌شود.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗